Klassische und KI-gestützte Prognosemodelle: Mit den richtigen Werkzeugen Prozesse beschreiben, verstehen und optimieren

Über die Fähigkeiten künstlicher Intelligenz, ihre Möglichkeiten, Gefahren und gesellschaftlichen Auswirkungen wurde und wird viel diskutiert. Hinter den bekannten Anwendungen stehen ganze Unternehmen, die die Datenbanken pflegen und Algorithmen entwickeln. Aber dieselben Techniken lassen sich an jedem Arbeitsplatz im industriellen Umfeld gewinnbringend einsetzen, auch ohne eigens ein Unternehmen zu diesem Zweck zu gründen. Der „digital twin“ - das digitale Abbild realer Prozesse – rückt so in greifbare Nähe. Braucht man dazu Programmiererfahrung? Nein, moderne Software verbirgt die Komplexität der Anwendung hinter einfach zu bedienenden Benutzeroberflächen. Natürlich muss man sich auch um den „Betriebsstoff“ der KI kümmern, um die Daten, die aus der Prozesssteuerung und/oder der Produktanalyse stammen. Deren Bearbeitung erfolgt durch übersichtliche Dialoganwendungen. Die Ausgangslage und die Ergebnisse werden durch einfache grafische Darstellungen erfasst und vergleichbar gemacht. Auf dem Weg zur perfekten Prognose befasst sich der Kurs mit den folgenden Fragen: - Wie umfangreich ist mein Datensatz? - Wie sind Qualität und Vollständigkeit meiner Daten? - Möchte ich Zusammenhänge verstehen oder eine gute Prognose erhalten? - Welche Interpretationen erlaubt das Modell? - Wo liegen die Grenzen der Aussagekraft? - Wie kann man verschiedene Modelle vergleichen? - Wie kann man Zielgrößen optimieren? Die Teilnehmenden lernen sowohl mit klassischen Verfahren als auch mit Methoden der künstlichen Intelligenz Prozesse oder Produkteigenschaften besser zu verstehen und zu optimieren. Zur Veranschaulichung und Übung wird die grafisch orientierte Software JMP eingesetzt, da sie sich durch besonders einfache Benutzerführung auszeichnet. Datensätze für die Übungen werden zur Verfügung gestellt. Es ist ausdrücklich erwünscht, dass die Teilnehmenden eigene Daten und Aufgabenstellungen mitbringen, auch wenn nicht garantiert wird, dass jeder Anwendungsfall besprochen werden kann. George Box, ein führender theoretischer Statistiker, wird gerne mit den Worten zitiert: „All models are wrong, some may be useful.“ Lassen Sie uns gemeinsam nützliche Modelle finden, und nutzen Sie die Algorithmen in Ihrem beruflichen Alltag.

Zielgruppe

Der Kurs wendet sich an Chemiker:innen, Biolog:innen, Ingenieur:innen, Laborant:innen, ganz allgemein an Mitarbeitende aus Forschung, Entwicklung und Produktion, die aus vorhandenen Daten statistische Modelle entwickeln wollen, um sachliche Entscheidungen besser vorzubereiten.

Hinweise zur Prüfung und Zertifikat/Abschluss

Teilnahmezertifikat

Teilnahmevorraussetzungen

Es werden keine Vorkenntnisse hinsichtlich Statistik oder Programmierung erwartet. Vorteilhaft sind Grundkenntnisse statistischer Kenngrößen wie Standardabweichung, Korrelation oder Tests.

Preishinweis

Umsatzsteuerfrei.